[發明專利]一種異常流量的檢測方法、系統、電子設備及存儲介質

有效

• 申請號: 202011112722.8
• 申請日: 2020-10-16
• 公開（公告）號: CN112333155B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 晏海龍
• 申請（專利權）人: 濟南浪潮數據技術有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/08;G06N3/04;G06V10/764;G06K9/62;G06V10/82;G06K9/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郄晨芳

本申請公開了一種異常流量的檢測方法，所述檢測方法包括：獲取待檢測流量，并將所述待檢測流量轉換為十進制的目標數據；將所述目標數據中每一字節的值作為灰度值，生成三通道圖像數據；將所述三通道圖像數據輸入異常流量檢測模型，并根據所述異常流量檢測模型的輸出結果判斷所述待檢測流量是否為異常流量。本申請能夠提升異常流量檢測模型的對待檢測流量的檢測效率。本申請還公開了一種異常流量的檢測系統、一種電子設備及一種存儲介質，具有以上有益效果。

技術領域

本申請涉及網絡安全技術領域，特別涉及一種異常流量的檢測方法、系統、一種電子設備及一種存儲介質。

背景技術

隨著云計算和互聯網的發展，網絡中存在的異常流量成倍增長，這對云服務器的安全防護是一個極大考驗。目前對網絡流量的入侵檢測作為一種積極主動的安全保護措施正在被廣泛的運用在各大數據中心。使用機器學習方法對網絡異常流量進行檢測和分類是目前常用的方法，但是使用機器學習需要人工提取數據特征供機器學習算法使用，導致檢測系統嚴重依賴人工特征提取的經驗，嚴重制約網絡異常流量檢測的整體性能。

因此，如何提升網絡異常流量的檢測效率是本領域技術人員目前需要解決的技術問題。

發明內容

本申請的目的是提供一種異常流量的檢測方法、系統、一種電子設備及一種存儲介質，能夠提升網絡異常流量的檢測效率。

為解決上述技術問題，本申請提供一種異常流量的檢測方法，該異常流量的檢測方法包括：

獲取待檢測流量，并將所述待檢測流量轉換為十進制的目標數據；

將所述目標數據中每一字節的值作為灰度值，生成三通道圖像數據；

將所述三通道圖像數據輸入異常流量檢測模型，并根據所述異常流量檢測模型的輸出結果判斷所述待檢測流量是否為異常流量。

可選的，將所述待檢測流量轉換為十進制的目標數據，包括：

將所述待檢測流量劃分為多個數據塊；其中，每一所述數據塊對應的字節數為8；

將每一所述數據塊轉換為十進制數字，將所述十進制數字按照所述數據塊的順序排列得到所述目標數據。

可選的，在將所述待檢測流量劃分為多個數據塊之前，還包括：

判斷所述待檢測流量的字節數是否為8的整數倍；

若否，則通過在所述待檢測流量的末位補0，以使補0后待檢測流量的字節數為8的整數倍。

可選的，將所述目標數據中每一字節的值作為灰度值，生成三通道圖像數據，包括：

將所述目標數據中每一字節的值作為灰度值；

在三通道圖像中選取數據存儲區域，并將所述目標數據中每一字節的值作為所述數據存儲區域中像素點的灰度值；其中，所述數據存儲區域中的像素點數大于或等于所述目標數據的字節數，所述數據存儲區域的像素點與所述目標數據中的字節一一對應；

將所述三通道圖像中除所述數據存儲區域外的其他區域的像素點的灰度值設置為0，將所述三通道圖像的灰度值分布信息作為三通道圖像數據。

可選的，在將所述三通道圖像數據輸入異常流量檢測模型之前，還包括：

將異常流量樣本轉換為三通道圖像數據樣本，將所述三通道圖像數據樣本按照預設比例劃分為訓練集和測試集；

利用所述訓練集和測試集訓練初始模型得到異常流量檢測模型。

可選的，所述異常流量檢測模型為基于Faster RCNN目標檢測網絡的模型；其中，所述Faster RCNN目標檢測網絡為使用組歸一化進行深度學習的卷積神經網絡。